PULSAR：基于图的正样本无标签学习方法，结合多流自适应卷积技术用于帕金森病识别

帕金森病诊断方法PULSAR基于自适应图卷积神经网络和多流卷积模型，利用摄像头记录的指尖敲击任务视频进行分类。在382人数据集（含183自报PD患者）上，采用PU学习解决标签不完整问题，验证集准确率80.95%，测试集均准75.18%。该方法可提升低收入国家PD筛查可及性，并可能扩展至其他运动障碍疾病评估。

　　

摘要人工智能摘要

要查看此由人工智能生成的摘要，您必须拥有高级访问权限。

了解更多登录

摘要

摘要

及时诊断帕金森病（PD）等运动障碍可以提高生活质量。然而，在低收入国家，临床诊断的获取受到限制。在这里，我们介绍了PULSAR，这是一种通过分析使用在运动障碍协会-统一帕金森病评分量表（MDS-UPDRS）中的手指敲击任务所录制的视频来区分是否患有PD的新方法。PULSAR在382名参与者的数据上进行了训练和评估，其中包括183名自报为PD的患者。我们使用自适应图卷积神经网络动态学习与任务相关的时空特征，并通过多流卷积模型进一步增强其能力，以捕捉手指关节位置、敲击速度和加速度等关键信息。由于视频标签是自我报告的，一些非PD的标签可能是未诊断的病例。为了解决这个问题，我们采用了正标签学习（PU Learning）方法，其性能优于传统的监督学习方法。PULSAR在验证集上的准确率为80.95%，在独立测试集上的平均准确率为71.29%（标准差为2.49%）。我们希望PULSAR能够帮助实现帕金森病的筛查，并且这些技术可以扩展到评估共济失调和亨廷顿病等其他疾病。

人工智能摘要

人工智能生成的摘要（实验性)

此摘要是由自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助发现、帮助读者评估相关性，并协助来自相关研究领域的读者理解该研究工作。它旨在补充作者提供的摘要，后者仍是论文的正式摘要。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由人工智能生成的通俗语言摘要，您必须拥有高级访问权限。